Разработка Корнеллского университета позволяет оценивать скорость движения ионов лития, опираясь исключительно на химический состав вещества.
Американские специалисты обнаружили около 63 000 многообещающих материалов, способных продвинуть технологию твердотельных аккумуляторов и ускорить создание более надежных и производительных систем хранения энергии.
Евгения Медведева
Иллюстрация, демонстрирующая производство твердотельных аккумуляторных элементов. Источник: Getty Images
ИИ стал помощником ученых
Группа ученых из Корнеллского университета задействовала нейросеть IonNet для анализа миллионов потенциальных соединений, пригодных для использования в качестве быстрых ионных проводников — ключевых элементов твердотельных батарей. В таких устройствах горючие жидкие электролиты, характерные для стандартных литий-ионных источников питания, замещаются твердыми веществами.
Тем не менее подбор твердых материалов, способных обеспечить достаточно высокую подвижность ионов лития, остается сложной задачей. Как утверждают авторы работы, IonNet способна вычислять, насколько эффективно ионы лития перемещаются внутри твердого соединения, основываясь на его химической формуле.
«Большинство моделей искусственного интеллекта, работающих с материалами, требуют точных кристаллических структур, которые часто отсутствуют для новых или недавно синтезированных веществ, — пояснил Фэнци Ю, профессор Корнеллского университета, имеющий докторскую степень и являющийся соавтором исследования. — IonNet же определяет подвижность ионов по химическому составу даже без подробных данных о кристаллической решетке».
Открытие Корнеллского университета знаменует собой сдвиг в методологии поиска материалов для энергетики. Вместо того чтобы полагаться исключительно на дорогостоящий перебор вариантов в лабораторных условиях, исследователи теперь получают возможность использовать предварительную фильтрацию на основе искусственного интеллекта.
Это особенно важно в условиях, когда традиционные литий-ионные батареи достигли пределов своей энергоемкости и безопасности. Переход к твердотельным элементам обещает не только увеличить плотность хранения энергии, но и кардинально снизить риски возгорания, что делает их критически важными для электромобилей и стационарных накопителей.
Поиск новых перспективных соединений
На начальном этапе ученые протестировали IonNet примерно на 4500 стабильных соединениях. Система выделила 87 возможных быстрых ионных проводников. Когда же выборку расширили до пяти миллионов замещенных химических соединений, нейросеть нашла 63 000 кандидатов, чьи характеристики могли бы позволить им выступать в роли эффективных проводников для ионов.
Тем не менее, как подчеркивают сами авторы работы, IonNet не является панацеей. Нейросеть работает как фильтр грубой очистки, который сужает круг поиска, но не отменяет необходимости в точной верификации. Тот факт, что из двадцати проверенных физическим моделированием кандидатов лишь тринадцать подтвердили свою эффективность, говорит о том, что модель пока не обладает абсолютной точностью.
Однако это все равно колоссальная экономия ресурсов: если учесть, что анализ одного соединения традиционными методами может занять десятки тысяч часов процессорного времени, отсеивание заведомо неподходящих материалов на раннем этапе позволяет лабораториям сосредоточиться на самых жизнеспособных вариантах.
Чтобы проверить, насколько точны предсказания ИИ при более глубоком анализе, команда выбрала около 20 кандидатов для физического моделирования. В результате было подтверждено, что 13 из них действительно являются быстрыми ионными проводниками.
Как отметил Ю, такой подход способен существенно сэкономить вычислительные ресурсы, поскольку позволяет отбраковывать неподходящие материалы еще до запуска дорогостоящего моделирования или лабораторных испытаний. Он подчеркнул, что оценка одного соединения методом физического моделирования может потребовать десятков тысяч часов процессорного времени.
«IonNet не заменяет реальные эксперименты или точное моделирование, но служит быстрым предварительным фильтром для расстановки приоритетов среди кандидатов перед использованием основных вычислительных или экспериментальных мощностей», — добавил Ю. Кроме того, IonNet способна выявлять закономерности химического синтеза, связанные с более высокой подвижностью ионов лития, что помогает исследователям разобраться, почему определенные вещества превосходят другие.
Достичь более высокого напряжения
В рамках другого проекта, в котором участвовали лаборатория Ю и специалисты из Университета Пуэрто-Рико в Рио-Пьедрасе, было показано, что корректировка химического окружения ионов позволяет повысить напряжение концентрационных элементов.
Такие нестандартные батареи генерируют электричество из-за разницы в составе электролита, а не благодаря применению разнородных электродных материалов. Раньше считалось, что они выдают не более 0,06 вольта (В).
Однако исследовательская группа разработала подход, при котором ионы взаимодействуют с окружающими молекулами, что позволило поднять напряжение цинковых и медных концентрационных элементов до 0,7 вольта — более чем в десять раз выше прежнего предполагаемого предела.
Параллельное достижение в области концентрационных элементов демонстрирует, что прогресс в электрохимии не ограничивается только поиском новых твердых электролитов. Увеличение напряжения с 0,06 до 0,7 вольта за счет управления химическим окружением ионов открывает новые горизонты для альтернативных химических систем, таких как водные аккумуляторы.
Эти батареи, работающие на водной основе, менее опасны для окружающей среды и потенциально дешевле в производстве, чем их литий-ионные аналоги. Достижение рабочего напряжения в 2,2–2,5 вольта приближает их к практическому применению в устройствах, где ранее использовались только щелочные элементы.
После объединения новой электролитической стратегии с классическими электродами команда создала водные аккумуляторы с рабочим напряжением от 2,2 до 2,5 вольта. Для сравнения: стандартная щелочная батарейка формата АА выдает около 1,5 вольта.
«Исследования электролитов преследуют единую цель — уйти от эмпирического подбора и перейти к рациональному проектированию, опирающемуся на искусственный интеллект, а также химические и физические принципы», — подытожил Ю в пресс-релизе.
Результаты обеих работ были опубликованы в научных изданиях Science Advances и Nature Communications.
Новая тенденция в материаловедении
Совокупность этих двух исследований указывает на общую тенденцию в современной материаловедческой науке: переход от эмпирического подбора к рациональному проектированию на основе фундаментальных законов физики и химии.
Искусственный интеллект здесь выступает не как замена человеку-исследователю, а как мощный аналитический инструмент, способный обрабатывать миллионы переменных одновременно. Выявление корреляций между химическим составом и подвижностью ионов, а также понимание того, почему определенные структурные модификации улучшают проводимость, позволяет ученым целенаправленно синтезировать вещества с заданными свойствами, а не надеяться на случайную удачу.
В долгосрочной перспективе такие разработки могут существенно ускорить коммерциализацию твердотельных батарей, которые десятилетиями считались технологией будущего.
Проблема заключалась не в отсутствии теоретических моделей, а в нехватке инженерных решений и материалов, способных выдержать жесткие условия эксплуатации.
Благодаря алгоритмам машинного обучения, которые способны анализировать не только существующие соединения, но и виртуально модифицировать их структуры, поиск оптимальных компонентов становится системным процессом.
Это означает, что уже в ближайшие годы мы можем стать свидетелями появления коммерческих твердотельных аккумуляторов с удвоенной энергоемкостью и временем зарядки, измеряемым минутами, что станет революцией для портативной электроники и электротранспорта.